CN113049252B - 一种列车轴承箱的故障检测方法 - Google Patents
一种列车轴承箱的故障检测方法 Download PDFInfo
- Publication number
- CN113049252B CN113049252B CN202110322322.8A CN202110322322A CN113049252B CN 113049252 B CN113049252 B CN 113049252B CN 202110322322 A CN202110322322 A CN 202110322322A CN 113049252 B CN113049252 B CN 113049252B
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- frequency
- frequency spectrum
- segmented
- spectrum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/08—Railway vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种列车轴承箱的故障检测方法，包括：获取列车轴承箱的振动信号以及噪声信号；对振动信号以及噪声信号进行时频分析，分别得到振动信号的频谱趋势项以及噪声信号的频谱趋势项；利用振动信号的频谱趋势项，对振动信号进行频谱划分，以及利用噪声信号的频谱趋势项，对噪声信号进行频谱划分，分别得到振动信号的分段频谱集以及噪声信号的分段频谱集；从振动信号的分段频谱集中，提取出振动信号的有效频带，以及从噪声信号的分段频谱集中，提取出噪声信号的有效频带；根据振动信号的有效频带以及噪声信号的有效频带，得出列车轴承箱的故障检测结果；本发明可基于轴承箱的状态数据实现轴承箱的故障检测，保证了列车运行的安全性。
Description
技术领域
本发明涉及轨道交通安全检测技术领域，具体涉及一种列车轴承箱的故障检测方法。
背景技术
近些年来，我国高速列车发展迅速，列车速度进一步提高，但列车安全性能始终是人们关注的重点；轴承箱作为机械传动的关键部件，在有轨高速列车领域得到了广泛的应用；然而，由于列车运行速度的不断提高，轨道不平顺激励增强，并且由于制造工艺、装配误差、润滑不当和过载等因素，轴承箱内部的滚动轴承容易出现过早或突然的故障，而即使在理想的运行条件下，滚动轴承由于受到周期性的接触应力，也会产生疲劳损伤，这些损伤会进一步演化成麻点、碾皮和剥落等故障；如果轴承箱发生故障，则会导致相关机械设备性能下降或者突然停机，尤其对于高速运行的列车来说，轴承箱故障会带来巨大的经济损失甚至人员伤亡。
因此，对轴承箱进行状态检测对于预防灾难性事故、提高轨道交通车辆机电传动系统的可靠性和可用性等方面具有重要意义；同时，由于传感器技术和通信技术的发展，一般都会在旋转机械设备的关键位置布置传感器，以采集设备的状态数据(例如，在轴承箱位置布置传感器，用来采集轴承箱的状态数据，这些状态数据包括振动和噪声等)；所以，如何从采集的状态数据中挖掘出与轴承箱故障相关的信息，实现基于数据驱动的故障诊断已经成为一个亟待解决的问题。
发明内容
为了解决现有列车轴承箱无法基于状态数据实现故障检测的问题，本发明的目的在于提供一种能够基于轴承箱的噪声信号以及振动信号，并通过对上述信号进行时频分析来实现轴承箱故障检测的检测方法。
第一方面，本发明提供了一种列车轴承箱的故障检测方法，包括：
获取列车轴承箱的振动信号以及噪声信号；
对所述振动信号以及所述噪声信号进行时频分析，分别得到所述振动信号的频谱趋势项以及所述噪声信号的频谱趋势项；
利用所述振动信号的频谱趋势项，对所述振动信号进行频谱划分，以及利用所述噪声信号的频谱趋势项，对所述噪声信号进行频谱划分，分别得到所述振动信号的分段频谱集以及所述噪声信号的分段频谱集；
从所述振动信号的分段频谱集中，提取出所述振动信号的有效频带，以及从所述噪声信号的分段频谱集中，提取出所述噪声信号的有效频带；
根据所述振动信号的有效频带以及所述噪声信号的有效频带，得出所述列车轴承箱的故障检测结果。
基于上述公开的内容，在发明中，首先采集轴承箱的振动信号以及噪声信号，然后对振动信号以及噪声信号进行时频分析，以得到振动信号以及噪声信号的频谱趋势项，以便利用频谱趋势项对振动信号以及噪声信息进行频谱的划分。
接着，本发明还通过频谱趋势项，对振动信号以及噪声信号进行频谱划分，并在划分的频谱中提取出有效频带；此步骤相当于减少了噪声信号以及振动信号中的噪声，去除了两信号中的无效信息，从而为后续故障检测提供了有效的信息，保证了检测的精度和可靠性。
最后，本发明则可通过振动信号以及噪声信号的有效频带，得出轴承箱的故障检测结果(可以但不限于为，通过有效频带与数据库中的标准故障频率进行对比，从而得出故障检测结果)。
通过上述设计，本发明通过对轴承箱的振动信号以及噪声信号进行时频分析、频谱划分以及有效频带的提取，可基于轴承箱的状态数据实现轴承箱的故障检测；且本发明能够去除信号中的噪声，保留信号中的有效信息，可大大提高检测的精度以及可靠性，保证了列车运行的安全性。
在一个可能的设计中，对所述振动信号进行时频分析，得到所述振动信号的频谱趋势项，包括：
对所述振动信号进行傅里叶变换，得到所述振动信号的频域响应；
利用经验模态分解法分解所述频域响应，得到所述振动信号的余量以及k个本征模态分量，其中，k为正整数；
利用所述k个本征模态分量以及所述余量，得到所述振动信号的频谱趋势项。
基于上述公开的内容，本发明公开了对振动信号进行时频分析的具体处理方法，即首先对振动信号进行傅里叶变换，得到振动信号的频域响应；然后利用经验模态分解法分解频域响应，将其分解为k个本征模态分量以及一个余量；最后，则可利用振动信号的本征模态分量以及余量，得出振动信号的频谱趋势项。
在一个可能的设计中，利用经验模态分解法分解所述频域响应，得到所述振动信号的余量以及k个本征模态分量，包括：
a.获取所述频域响应中所有的极大值点和极小值点；
b.利用三次样条函数对所有的极大值点以及所有的极小值点进行插值拟合，分别得到所述频域响应的上包络线以及下包络线；
c.根据所述上包络线以及所述下包络线，得到所述上包络线以及所述下包络线之间的均值；
d.使用所述频域响应减去所述均值，得到所述频域响应的剩余部分；
e.判断所述频域响应的剩余部分是否满足预设条件；
f.若是，则将所述频域响应的剩余部分作为所述振动信号的第一个本征模态分量；
g.使用所述频域响应减去所述第一个本征模态分量，将得到的结果作为所述振动信号的新频域响应，并重复执行所述步骤a～f，得到所述振动信号的第二个本征模态分量；
重复k次所述步骤g，直到第k次得出的本征模态分量以及第k次得出的余量满足终止条件时，得到所述振动信号的余量以及k个本征模态分量，其中所述振动信号的余量为所述第k次得出的余量，且所述第k次得出的余量为第一个本征模态分量到第k个本征模态分量的和与所述频域响应之间的差值。
基于上述公开的内容，本发明公开了利用经验模态分解法分解频域响应的具体步骤，即先对频域响应中所有的极大值点以及极小值点进行插值拟合，进而得出频域响应的上下边界(即上包络线为上边界，而下包络线为下边界)；然后再利用上下包络线之间的均值与频域响应的差值，来实现频域响应的分解，即判断差值是否满足预设条件，若满足，则将差值作为振动信号的第一个本征模态分量；最后则使用频域响应减去第一个本征模态分量，得到新的差值，从而将新的差值作为新的频域响应，不断的重复上述步骤，即不断的分解，直到经过k次分解得到的本征模态分量以及余量满足终止条件时，即可将频域响应分解为k个本征模态分量与一个余量的和，得到频域响应的本征模态分量以及余量，为后续振动信号的频谱划分提供数据基础。
在一个可能的设计中，所述方法还包括：
若否，则使用所述频域响应减去所述剩余部分，得到更改后的频域响应；
使用所述更改后的频域响应替换所述频域响应，并重复所述步骤a～e，直到所述更改后的频域响应的剩余部分满足所述预设条件为止。
基于上述公开的内容，本发明公开了当频域响应与均值之间的差值不满足预设条件时的处理步骤，即使用频域响应减去此差值，得到更改后的频域响应；然后将更改后的频域响应替换步骤a中的频域响应，从而以更改后的频域响应为对象，重复步骤a～e，直到最后得出的差值(即更改后的频域响应与其对应上下包络线的均值之间的差值)满足预设条件为止。
在一个可能的设计中，利用所述k个本征模态分量以及所述余量，得到所述振动信号的频谱趋势项，包括：
a1.按照k个本征模态分量中频率从高到低的顺序，对所述k个本征模态分量进行排序；
b1.将排序第i位的本征模态分量与所述余量进行求和，得到求和分量，其中，i为正整数，且i从1开始；
c1.判断所述求和分量是否出现预设振幅变化；
d1.若是，则将所述求和分量作为所述振动信号的频谱趋势项。
在一个可能的设计中，所述方法还包括：
若否，则将i调整为i+1，得到新的i值；
将所述求和分量与排序第j位的本征模态分量进行求和，得到调整后的求和分量，其中，j为新的i值；
使用所述调整后的求和分量替换所述步骤c1中的所述求和分量；
循环执行所述步骤c1，直到所述求和分量满足预设振幅变化为止。
基于上述公开的内容，本发明公开了振动信号的频谱趋势项的具体确定方法，即先按照各个本征模态分量中的频率大小，从高到低对k个本征模态分量排序，然后从排序第一的本征模态分量开始，与余项求和，得到求和分量；接着，再判断求和分量是否出现预设振幅变化，若出现了预设振幅变化，即将此求和分量作为振动信号的频谱趋势项；而若求和分量未出现预设振幅变化，此时，则需要使用求和分量加上排序第i+1位的本征模态分量，得到调整后的求和分量(即用求和分量加上排序第二的本征模态分量)，然后，再以调整后的求和分量为对象，判断其是否出现预设振幅变化，若是，则将求和分量加上排序第二位的本征模态分量得出的结果作为频谱趋势项；若否，即计算排序第三位的本征模态分量加上求和分量以及排序第二的本征模态分量的和，并进行重新判断，以此循环，直至满足预设振幅变化为止。
在一个可能的设计中，利用所述振动信号的频谱趋势项，对所述振动信号进行频谱划分，得到所述振动信号的分段频谱集，包括：
获取所述振动信号的频谱趋势项中所有的极大值；
根据所述振动信号的频谱趋势项中所有的极大值，得到所述振动信号的频谱趋势项中所有的频谱极小值；
将所有的频谱极小值作为划分边界，划分所述振动信号，得到多个分段频谱；利用多个所述分段频谱，组成所述振动信号的分段频谱集。
基于上述公开的内容，本发明公开了利用频谱趋势项划分振动信号对应频谱的具体方法，即计算频谱趋势项中的极大值，然后利用极大值得出频谱趋势项中的频谱极小值，进而则可将频谱极小值作为划分边界，划分振动信号的频谱，从而得到多个分段频谱，最终则可使用多个分段频谱组成分段频谱集，为后续有效频带的提取提供数据基础。
在一个可能的设计中，从所述振动信号的分段频谱集中，提取出所述振动信号的有效频带，包括：
a2.计算所述分段频谱集中的每个分段频谱的峭度值、等效能量以及对应分段频谱中本征模态分量与所述振动信号的皮尔逊系数值；
b2.将每个分段频谱对应的所述峭度值、所述等效能量以及所述皮尔逊系数值进行相乘，得到每个分段频谱对应的故障信息指标值；
c2.利用每个分段频谱对应的故障信息指标值，得到每个分段频谱对应的故障信息判定值；
d2.判断每个分段频谱的故障信息判定值是否大于0；
e2.若是，则将故障信息判定值大于0的分段频谱作为所述振动信号的有效频谱；
f2.从所述振动信号的有效频谱中提取任意一段带宽，得到所述振动信号的有效频带。
基于上述公开的内容，本发明通过使用峭度值、等效能量以及皮尔逊系数值三者之间的乘积来作为各个分段频谱中的故障信息指标值，从而利用各分段频谱的故障信息指标值来计算得到各分段频谱对应的故障信息判定值，进而利用故障信息判定值来进行有效频带的提取，即故障信息判定值越大，则说明分段频谱中含有的故障信息越丰富，反之，分段频谱中则可能包含分解所产生的虚假分量；在本发明中，大于0则说明该分段频谱包含有丰富的故障信息，可作为有效频谱，反之，则无法作为有效频谱；最后，在有效频谱中选择任意一段带宽，即可得到振动信号的有效频带。
在一个可能的设计中，所述方法还包括：
若否，则合并故障信息判定值小于0的分段频谱，得到新分段频谱；
以所述新分段频谱为对象，重复执行所述步骤a2～d2，直到所述新分段频谱的故障信息判定值大于0为止。
基于上述公开的内容，本发明还将故障信息判定值小于0的分段频谱进行合并，即合并为一个频带，然后重新计算其故障信息判定值，进而再进行重新判断，以此循环，直到合并得到的新分段评判对应的故障信息判定值大于0为止；通过上述设计，本发明能够不断的提取有效频带，从而减少无效频带，进而为后续故障检测提供更多的频带信息，保证检测的精度以及准确度。
在一个可能的设计中，根据所述振动信号的有效频带以及所述噪声信号的有效频带，得出所述列车轴承箱的故障检测结果，包括：
将所述振动信号的有效频带以及所述噪声信号的有效频带通过滤波器组，分别得到第一时域波形以及第二时域波形，其中，所述第一时域波形为所述振动信号的有效频带的时域波形，所述第二时域波形为所述噪声信号的有效频带的时域波形；
对所述第一时域波形以及所述第二时域波形进行经验小波变换，分别得到所述第一时域波形的频谱，以及所述第二时域波形的频谱；
根据所述第一时域波形的频谱，得到所述第一时域波形的频率，以及根据所述第二时域波形的频谱，得到所述第二时域波形的频率；
判断所述第一时域波形频率以及所述第二时域波形的频率是否均为标准故障频率的倍数；
若是，则表明所述列车轴承箱出现故障
基于上述公开的内容，本发明公开利用两信号的有效频带进行故障检测的具体方法，即将两信号的有效频带通过滤波器组，然后再进行经验小波变换，进而得到各有效频带的频谱，然后即可根据频谱，得到各有效频带的频率；最后，即可将各有效频带的频率与数据库中的标准故障频率进行对比，只要所有的有效频带的频率为标准故障频率的倍数，则可认定轴承箱出现故障。
第二方面，本发明提供了一种列车轴承箱的故障检测装置，包括：获取单元、频谱趋势项计算单元、频谱划分单元、有效频带提取单元和故障检测单元；
所述获取单元，用于获取列车轴承箱的振动信号以及噪声信号；
所述频谱趋势项计算单元，用于对所述振动信号以及所述噪声信号进行时频分析，分别得到所述振动信号的频谱趋势项以及所述噪声信号的频谱趋势项；
所述频谱划分单元，用于利用所述振动信号的频谱趋势项，对所述振动信号进行频谱划分，以及利用所述噪声信号的频谱趋势项，对所述噪声信号进行频谱划分，分别得到所述振动信号的分段频谱集以及所述噪声信号的分段频谱集；
所述有效频带提取单元，用于从所述振动信号的分段频谱集中，提取出所述振动信号的有效频带，以及从所述噪声信号的分段频谱集中，提取出所述噪声信号的有效频带；
所述故障检测单元，用于根据所述振动信号的有效频带以及所述噪声信号的有效频带，得出所述列车轴承箱的故障检测结果。
在一个可能的设计中，所述频谱趋势项计算单元包括：傅里叶变换子单元、分解子单元和计算子单元；
所述傅里叶变换子单元，用于对所述振动信号进行傅里叶变换，得到所述振动信号的频域响应；
所述分解子单元，用于利用经验模态分解法分解所述频域响应，得到所述振动信号的余量以及k个本征模态分量，其中，k为正整数；
所述计算子单元，用于利用所述k个本征模态分量以及所述余量，得到所述振动信号的频谱趋势项。
在一个可能的设计中：
所述分解子单元，具体用于获取所述频域响应中所有的极大值点和极小值点；
所述分解子单元，具体用于利用三次样条函数对所有的极大值点以及所有的极小值点进行插值拟合，分别得到所述频域响应的上包络线以及下包络线；
所述分解子单元，具有用于根据所述上包络线以及所述下包络线，得到所述上包络线以及所述下包络线之间的均值；
所述分解子单元，具体用于使用所述频域响应减去所述均值，得到所述频域响应的剩余部分；
所述分解子单元，具体用于判断所述频域响应的剩余部分是否满足预设条件，并在判断为是时，将所述频域响应的剩余部分作为所述振动信号的第一个本征模态分量；
所述分解子单元，具体用于使用所述频域响应减去所述第一个本征模态分量，将得到的结果作为所述振动信号的新频域响应，并重复执行步骤a～f，得到所述振动信号的第二个本征模态分量；
其中，步骤a～f分别为：
a.获取所述频域响应中所有的极大值点和极小值点；
b.利用三次样条函数对所有的极大值点以及所有的极小值点进行插值拟合，分别得到所述频域响应的上包络线以及下包络线；
c.根据所述上包络线以及所述下包络线，得到所述上包络线以及所述下包络线之间的均值；
d.使用所述频域响应减去所述均值，得到所述频域响应的剩余部分；
e.判断所述频域响应的剩余部分是否满足预设条件；
f.若是，则将所述频域响应的剩余部分作为所述振动信号的第一个本征模态分量；
所述分解子单元，具体用于重复k次步骤g，直到第k次得出的本征模态分量以及第k次得出的余量满足终止条件时，得到所述振动信号的余量以及k个本征模态分量，其中所述振动信号的余量为所述第k次得出的余量，且所述第k次得出的余量为第一个本征模态分量到第k个本征模态分量的和与所述频域响应之间的差值；
其中，步骤g为：使用所述频域响应减去所述第一个本征模态分量，将得到的结果作为所述振动信号的新频域响应，并重复执行所述步骤a～f，得到所述振动信号的第二个本征模态分量。
在一个可能的设计中：
所述分解子单元，还具体用于在判断为否时，使用所述频域响应减去所述剩余部分，得到更改后的频域响应；
所述分解子单元，还具体用于使用所述更改后的频域响应替换所述频域响应，并重复所述步骤a～e，直到所述更改后的频域响应的剩余部分满足所述预设条件为止。
在一个可能的设计中：
所述计算子单元，具体用于按照k个本征模态分量中频率从高到低的顺序，对所述k个本征模态分量进行排序；
所述计算子单元，具体用于将排序第i位的本征模态分量与所述余量进行求和，得到求和分量，其中，i为正整数，且i从1开始；
所述计算子单元，具体用于判断所述求和分量是否出现预设振幅变化；
所述计算子单元，具体用于在判断为是时，将将所述求和分量作为所述振动信号的频谱趋势项。
在一个可能的设计中：
所述计算子单元，还用于在判断为否时，则将i调整为i+1，得到新的i值；
所述计算子单元，还用于将所述求和分量与排序第j位的本征模态分量进行求和，得到调整后的求和分量，其中，j为新的i值；
所述计算子单元，还用于使用所述调整后的求和分量替换步骤c1中的所述求和分量，其中，步骤c1为：判断所述求和分量是否出现预设振幅变化；
所述计算子单元，还用于循环执行所述步骤c1，直到所述求和分量满足预设振幅变化为止。
在一个可能的设计中：
所述频谱划分单元，具体用于获取所述振动信号的频谱趋势项中所有的极大值；
所述频谱划分单元，具体用于根据所述振动信号的频谱趋势项中所有的极大值，得到所述振动信号的频谱趋势项中所有的频谱极小值；
所述频谱划分单元，具体用于将所有的频谱极小值作为划分边界，划分所述振动信号，得到多个分段频谱；
所述频谱划分单元，还具体用于利用多个所述分段频谱，组成所述振动信号的分段频谱集。
在一个可能的设计中：
所述有效频带提取单元，具体用于计算所述分段频谱集中的每个分段频谱的峭度值、等效能量以及对应分段频谱中本征模态分量与所述振动信号的皮尔逊系数值；
所述有效频带提取单元，具体用于将每个分段频谱对应的所述峭度值、所述等效能量以及所述皮尔逊系数值进行相乘，得到每个分段频谱对应的故障信息指标值；
所述有效频带提取单元，具体用于利用每个分段频谱对应的故障信息指标值，得到每个分段频谱对应的故障信息判定值；
所述有效频带提取单元，具体用于判断每个分段频谱的故障信息判定值是否大于0；
所述有效频带提取单元，具体用于在判断为是时，将故障信息判定值大于0的分段频谱作为所述振动信号的有效频谱；
所述有效频带提取单元，还具体用于从所述振动信号的有效频谱中提取任意一段带宽，得到所述振动信号的有效频带。
在一个可能的设计中：
所述有效频带提取单元，还在判断为否时，合并故障信息判定值小于0的分段频谱，得到新分段频谱；
所述有效频带提取单元，还具体用于以所述新分段频谱为对象，重复执行步骤a2～d2，直到所述新分段频谱的故障信息判定值大于0为止；
其中，所述步骤a2～d2分别为：
a2.计算所述分段频谱集中的每个分段频谱的峭度值、等效能量以及对应分段频谱中本征模态分量与所述振动信号的皮尔逊系数值；
b2.将每个分段频谱对应的所述峭度值、所述等效能量以及所述皮尔逊系数值进行相乘，得到每个分段频谱对应的故障信息指标值；
c2.利用每个分段频谱对应的故障信息指标值，得到每个分段频谱对应的故障信息判定值；
d2.判断每个分段频谱的故障信息判定值是否大于0。
在一个可能的设计中，所述故障检测单元包括：波形获取子单元、频谱获取子单元、频率获取子单元以及判断子单元；
所述波形获取子单元，用于将所述振动信号的有效频带以及所述噪声信号的有效频带通过滤波器组，分别得到第一时域波形以及第二时域波形，其中，所述第一时域波形为所述振动信号的有效频带的时域波形，所述第二时域波形为所述噪声信号的有效频带的时域波形；
所述频谱获取子单元，用于对所述第一时域波形以及所述第二时域波形进行经验小波变换，分别得到所述第一时域波形的频谱，以及所述第二时域波形的频谱；
所述频率获取子单元，用于根据所述第一时域波形的频谱，得到所述第一时域波形的频率，以及根据所述第二时域波形的频谱，得到所述第二时域波形的频率；
所述判断子单元，用于判断所述第一时域波形频率以及所述第二时域波形的频率是否均为标准故障频率的倍数，并在判断为是时，表明所述列车轴承箱出现故障。
第三方面，本发明提供了第二种列车轴承箱的故障检测装置，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意一种可能设计的所述列车轴承箱的故障检测方法。
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意一种可能设计的所述列车轴承箱的故障检测方法。
第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意一种可能设计的所述列车轴承箱的故障检测方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的列车轴承箱的故障检测方法的流程示意图。
图2是本发明提供的第一种列车轴承箱的故障检测装置的结构示意图。
图3是本发明提供的第二种列车轴承箱的故障检测装置的结构示意图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于下述实施例说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
应当理解，在本文中若将单元称作与另一个单元“连接”、“相连”或“耦合”时，它可以与另一个单元直相连接或耦合，或中间单元可以存在。相対地，在本文中若将单元称作与另一个单元“直接相连”或“直接耦合”时，表示不存在中间单元。另外，应当以类似方式来解释用于描述单元之间的关系的其他单词(例如，“在……之间”对“直接在……之间”,“相邻”对“直接相邻”等等)。
应当理解，本文使用的术语仅用于描述特定实施例，并不意在限制本发明的示例实施例。若本文所使用的，单数形式“一”、“一个”以及“该”意在包括复数形式，除非上下文明确指示相反意思。还应当理解，若术语“包括”、“包括了”、“包含”和/或“包含了”在本文中被使用时,指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性,并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。
应当理解，还应当注意到在一些备选实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如,取决于所涉及的功能/动作,实际上可以并发地执行,或者有时可以以相反的顺序来执行连续示出的两个图。
应当理解，在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实例中，可以不以不必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。
实施例
如图1所示，本实施例第一方面所提供的列车轴承箱的故障检测方法，适用于列车轴承箱的故障检测，本实施例通过对轴承箱的振动信号以及噪声信号进行时域分析以及频谱划分，进而可提取出振动信号以及噪声信号的效频带；最终即可根据有效频带实现轴承箱的故障检测；本实施例所提供的检测方法，能够基于轴承箱状态数据实现轴承箱的故障检测，且检测精度和准确性高，能够大大提高列车运行的安全性。
本实施例所提供的列车轴承箱的故障检测方法，可以但不限于包括如下步骤S101～S105。
S101.获取列车轴承箱的振动信号以及噪声信号。
步骤S101则是获取列车轴承箱运行数据的过程，即获取轴承箱在工作时的振动信号以及噪声信号。
在本实施例中，举例使用三向加速度传感器来实现振动信号的采集，即将三向加速度安装在轴承箱的表面，通过测量轴承箱表面轴向、法向和垂向的加速度，来得出振动信号。
而噪声信号可以但不限于使用噪声传感器来采集，即将噪声传感器正对轴承箱安装，从而实现噪声信号的采集。
在本实施例中，由于噪声传感器以及三向加速度传感器采集的为原始的噪声信号以及振动信号，为了使采集的信号获取更高的频率分辨率，以便于后续的时频分析，还设置有信号的抽样与低通滤波步骤，以得到步骤S101中用于后续计算的振动信号以及噪声信号，即如下步骤S101a和步骤S101b。
S101a.对原始振动信号以及原始噪声信号进行抽样，得到抽样振动信号以及抽样噪声信号。
S101b.使用低通滤波器对抽样振动信号以及抽样噪声信号进行滤波，得到列车轴承箱的振动信号以及噪声信号。
通过前述步骤S101a以及步骤S101b，即可消除原始振动信号以及原始噪声信号中的频率混叠，从而得到更高频率分辨率的振动信号以及噪声信号，为后续时频分析提供更为准确的数据。
在本实施例中，举例抽样的方法可以但不限于采用：随机抽样、等距抽样或分层抽样。
在得到列车轴承箱的振动信号和噪声信号后，即可对上述两个信息进行时频分析(如步骤S102所示)，以便得到振动信号以及噪声信号的频谱趋势项，从而为后续频谱的划分提供数据基础。
S102.对所述振动信号以及所述噪声信号进行时频分析，分别得到所述振动信号的频谱趋势项以及所述噪声信号的频谱趋势项。
步骤S102则是对噪声信号进行时频分析的过程，即先对振动信号以及噪声信息进行傅里叶变换，进而获取两个信号的频谱(相当于通过频谱得到其频域响应)；然后，再对两个信号的频域响应进行EMD(Empirical Mode Decompositio，经验模态分解)分解得到振动信号以及噪声信号的IMF分量(Instrinsic Mode Function，本征模态分量)以及余量；最后，即可根据振动信号以及噪声信号的IMF分量和余量，得出各自对应的频谱趋势项。
在本实施例中，振动信号以及噪声信号进行时频分析的方法、频谱划分的方法以及有效频带的提取方法相同；因此，下述以振动信号为例，来进行阐述。
在本实施例，举例对振动信号进行时频分析，得到振动信号的频谱趋势项，可以但不限于包括如下步骤S102a～S102c。
S102a.对所述振动信号进行傅里叶变换，得到所述振动信号的频域响应。
步骤S102a则是对振动信号进行傅里叶变化的过程，以便获取振动信号的傅里叶频谱，从而根据傅里叶频谱，得到振动信号的频域响应。
在得到振动信号的频域响应后，即可进行步骤S102b，利用经验模态分解法，分解频域响应，将其最终分解为k个本征模态分量以及一个余项，从而为后续频谱趋势项的计算提供数据基础。
S102b.利用经验模态分解法分解所述频域响应，得到所述振动信号的余量以及k个本征模态分量，其中，k为正整数。
经验模态分解法是一种基于信号局部特征的信号分解方法，其本质是通过求包络线对信号不断进行移动平均的迭代过程；其可根据信号的局部时间特征尺度，按频率由高到低把复杂的非线性、非平稳的信号分解为有限经验模态函数之和，也就是本征模态分量之和。
下述提供利用经验模态分解法分解振动信号的频域响应的一种具体方法，如步骤a～h所示。
a.获取所述频域响应中所有的极大值点和极小值点。
步骤a则是获取频域响应中所有极大值点以及极小值点的过程，以便为后续包络线的生成提供数据基础。
在本实施例中，举例采用matlab软件计算振动信号的频域响应中所有的极大值点以及极小值点。
b.利用三次样条函数对所有的极大值点以及所有的极小值点进行插值拟合，分别得到所述频域响应的上包络线以及下包络线。
步骤b则是利用三次样条函数对极大值点以及极小值点进行插值拟合的过程，从而得出频域响应的上下边界，即上包络线以及下包络线。
c.根据所述上包络线以及所述下包络线，得到所述上包络线以及所述下包络线之间的均值。
步骤c则是求取上包络线以及下包络线二者均值的过程，以便为后续分解提供数据基础；在本实施例中，举例上包络线以及下包络线之间的均值可以但不限于采用matlab软件实现。
d.使用所述频域响应减去所述均值，得到所述频域响应的剩余部分。
e.判断所述频域响应的剩余部分是否满足预设条件。
f.若是，则将所述频域响应的剩余部分作为所述振动信号的第一个本征模态分量。
g.使用所述频域响应减去所述第一个本征模态分量，将得到的结果作为所述振动信号的新频域响应，并重复执行所述步骤a～f，得到所述振动信号的第二个本征模态分量。
h.重复k次所述步骤g，直到第k次得出的本征模态分量以及第k次得出的余量满足终止条件时，得到所述振动信号的余量以及k个本征模态分量，其中所述振动信号的余量为所述第k次得出的余量，且所述第k次得出的余量为第一个本征模态分量到第k个本征模态分量的和与所述频域响应之间的差值。
步骤d～h则是进行分解的过程，下面用一个实例来说明：
例如，假设频域响应为x(t)，上包络线为u0(t)，下包络线为v0(t)，而二者之间的均值为m0(t)。
那么
而频域响应的剩余部分假设为h1(t)；那么：
h1(t)＝x(t)-m0(t)，此时，则判断h1(t)是否满足预设条件，若是，则将h1(t)作为振动信号的的第一个本征模态分量，记为c1(t)。
接着，即进行步骤g，使用频域响应x(t)减去第一个本征模态分量c1(t)，得到振动信号的新频域响应，即新频域响应记为z1(t)，那么z1(t)＝x(t)-c1(t)，此时，则将z1(t)作为对象，重复步骤a～f，即得到振动信号的第二个本征模态分量，记为c2(t)。
同理，此时的频域响应则是z1(t)(即使用z1(t)替换了原来的x(t))，那么重复步骤g则是：使用z1(t)减去第二个本征模态分量c2(t)，即可得到新频域响应(此时新的频域响应记为z2(t)，即z2(t)＝z1(t)-c2(t))。
最后，重复k次步骤g，直至第k次得出的本征模态分量以及第k次得出的余量满足终止条件时，即可得到振动信号的余量以及k个本征模态分量。
即通过上述步骤，可将振动信号的整个频域响应分解为k个本征模态分量以及剩余的分量之和。
即上述步骤可用如下公式表示：
z1(t)＝x(t)-c1(t),z2(t)＝z1(t)-c2(t),...,zk(t)＝zk-1(t)-ck(t)
而
式中，cs(t)表示第s个本征模态分量，zk(t)代表频域响应的余量，而t表示时间。
从上述公式可知，第k次的余量，则是第一个本征模态分量到第k个本征模态分量的和与所述频域响应之间的差值。
在本实施例中，若进行第一次分解得到的频域响应的剩余部分(即h1(t))，不满足预设条件时，即可进行如下步骤A和B。
A.若否，则使用所述频域响应减去所述剩余部分，得到更改后的频域响应。
B.使用所述更改后的频域响应替换所述频域响应，并重复所述步骤a～e，直到所述更改后的频域响应的剩余部分满足所述预设条件为止。
步骤A则是不满足预设条件时的操作步骤，即使用频域响应x(t)减去剩余部分h1(t)，得到更改后的频域响应，记为h2(t)，即h2(t)＝x(t)-h1(t)。
此时，即将h2(t)替换作为步骤a中的频域响应，然后重复步骤a～e，然后再次判断h2(t)的剩余部分是否满足预设条件，若还是不满足，则再次进行步骤A和步骤B，直至最后得出的剩余部分满足预设条件为止。
假设经过w次，hw(t)满足了预设条件，上述过程可以但不限于用以下公式表示：
由此通过前述步骤a～h以及A～B，即可实现对振动信号的频域响应的分解，得到其对应的k个本征模态分量以及一个余项。
在本实施例中，预设条件可以但不限于为同时满足以下两个条件：(1)整个时程t内，极值点个数与穿零点个数相等或个数相差不大于1；(2)在任一点处,上下包络线的均值为零。
在本实施例中，举例终止条件可以但不限于为：当本征模态分量cs(t)或余量zk(t)小于预先设定的值,或者余量zk(t)已经成为单调函数，即上述三者条件满足其一即可结束分解过程。
在本实施例中，可在分解过程中进一步采用“间歇检测准则”(IntermittencyCheck Criteria)来避免不同本征模态分量中可能出现的振动模式混合(即不同的时间尺度出现在同一个本征模态分量中)的情况。
具体实施时,可在EMD分解过程中指定每个本征模态分量的时延或频率(时延的倒数)，以保证在分解得到的本征模态分量中不包含有低于此设定频率值的信号，从而消除混合现象。例如,在第s个本征模态分量cs(t)的筛选过程中,设定“间歇检测准则”对应的频率f,则完成筛选过程后,分量cs(t)中不含有频率低于f的成分；可见，这里的频率f类似于高通滤波器中设定的频率界限值。
S102c.利用所述k个本征模态分量以及所述余量，得到所述振动信号的频谱趋势项。
步骤S102c则是利用k个本征模态分量以及余量计算频谱趋势项的过程。
在本实施例中，利用k个本征模态分量以及余量计算频谱趋势项，可以但不限于包括如下步骤a1～h1。
a1.按照k个本征模态分量中频率从高到低的顺序，对所述k个本征模态分量进行排序。
b1.将排序第i位的本征模态分量与所述余量进行求和，得到求和分量，其中，i为正整数，且i从1开始。
c1.判断所述求和分量是否出现预设振幅变化。
d1.若是，则将所述求和分量作为所述振动信号的频谱趋势项。
e1.若否，则将i调整为i+1，得到新的i值。
f1.将所述求和分量与排序第j位的本征模态分量进行求和，得到调整后的求和分量，其中，j为新的i值。
g1.使用所述调整后的求和分量替换所述步骤c1中的所述求和分量。
h1.循环执行所述步骤c1，直到所述求和分量满足预设振幅变化为止。
下述用一个具体的实例来阐述上述步骤a1～h1：
假设振动信号的频域响应具有5个本征模态分量，依次为第一个本征模态分量c1、第二个本征模态分量c2、第三个本征模态分量c3、第四个本征模态分量c4以及第五个本征模态分量c5；余量为r5。
那么按照5个本征模态分量中频率从高到低的顺序，进行排序的顺序假设为：c5、c2、c3、c4和c1。
那么，从排序第一位的本征模态分量开始，与余量求和，得到求和分量y1，即求和分量y1＝c5+r5；此时，判断y1是否出现预设振幅变化，若是，则将y1作为振动信号的趋势项。
而若y1未出现预设振幅变化，此时，则将i调整为i+1，得到新的i值，即新的i值为2，即排序第j位的本征模态分量变为排序第二位的本征模态分量；此时，调整后的求和分量y2＝y1+c2＝c5+r5+c2；然后再判断y2是否出现预设振幅变化；若是，则将y2作为振动信号的频谱趋势项。
若y2未出现预设振幅变化，此时，又将i调整为i+1(此时i为2，调整后则为3)，那么调整后的求和分量则等于y3加上排序第3位的本征模态分量，即y3＝y2+c3＝c5+r5+c2+c3；以此循环，直至更新的求和分量满足预设振幅变化为止。
通过上述步骤a1～h1，即可利用k个本征模态分量以及余量，得出振动信号的频谱趋势项。
在本实施例中，举例预设振幅变化可以但不限采用以下方法得出：
分别计算排序第一位的本征模态分量与余量的求和；然后计算排序第一位的本征模态分量、排序第二位的本征模态分量与余量的求和；接着计算排序第一位的本征模态分量、排序第二位的本征模态分量、排序第三位的本征模态分量与余量的求和；以此循环，直至从排序第一位的本征模态分量叠加到排序最后一位对应的本征模态分量以及与余量的和，分别得到k个求和分量；然后分别计算k个求和分量中每个求和分量中的极大值数目；最后，从第一求和分量开始，计算其与下一个求和分量的极大值数据的比值；当出现最大比值时，则可作为预设振幅变化。
例如，在前述举例的基础上(即有5个本征模态分量)进行举例说明，即求和分量的数目为5个分别为y1、y2、y3、y4和y5。
假设求和分量y1的极大值数目为3；求和分量y2的极大值数目为4；求和分量y3的极大值数目为5；求和分量y4的极大值数目为2；求和分量y5的极大值数目为1。
那么y1/y2＝3/4；y2/Y3＝4/5；y3/y4＝5/2；y4/y5＝2/1，此时，则说明y3/y4的比值最大，此时，即可说明y4出现了预设振幅变化，即5/2作为预设振幅变化；因此，只要前述步骤c1中的求和分量满足此预设振幅变化时，即可作为振动信号的频谱趋势项。
由此通过前述步骤a1～h1，即可得到振动信号的频谱趋势项。
在得到频谱趋势项后，即可利用频谱趋势项，划分振动信号的频谱，得到振动信号的多个分段频谱，从而组成振动信号的分段频谱集，即如步骤S103所示。
S103.利用所述振动信号的频谱趋势项，对所述振动信号进行频谱划分，以及利用所述噪声信号的频谱趋势项，对所述噪声信号进行频谱划分，分别得到所述振动信号的分段频谱集，以及所述噪声信号的分段频谱集。
在本实施例中，举例利用振动信号的频谱趋势项，对振动信号进行频谱划分，得到振动信号的分段频谱集，可以但不限于包括如下步骤S103a～S103f。
S103a.获取所述振动信号的频谱趋势项中所有的极大值。
S103b.根据所述振动信号的频谱趋势项中所有的极大值，得到所述振动信号的频谱趋势项中所有的频谱极小值。
S103c.将所有的频谱极小值作为划分边界，划分所述振动信号，得到多个分段频谱。
S103d.利用多个所述分段频谱，组成所述振动信号的分段频谱集。
S103e.从所述振动信号的分段频谱集中，提取出所述振动信号的有效频带，以及从所述噪声信号的分段频谱集中，提取出所述噪声信号的有效频带。
S103f.根据所述振动信号的有效频带以及所述噪声信号的有效频带，得出所述列车轴承箱的故障检测结果。
步骤S103a～S103f的原理为：通过计算频谱趋势项中的极大值，然后利用极大值得出频谱趋势项中的频谱极小值，进而则可将频谱极小值作为划分边界，划分振动信号的频谱，从而得到多个分段频谱，最终则可使用多个分段频谱组成分段频谱集，为后续有效频带的提取提供数据基础。
在本实施例中频谱趋势项中的极大值，以及频谱趋势项中的频谱极小值可以但不限于采用matlab软件计算。
在将振动信号划分为多个分段频谱后，即可进行步骤S104，对各个分段频谱进行筛选，提取出有效频谱，从而得到振动信号的有效频带。
S104.从所述振动信号的分段频谱集中，提取出所述振动信号的有效频带，以及从所述噪声信号的分段频谱集中，提取出所述噪声信号的有效频带。
此步骤相当于减少了噪声信号中的噪声，去除了振动信号中的无效信息，从而为后续故障检测提供了有效的信息，保证检测的精度和可靠性。
在本实施例中，举例从振动信号的分段频谱集中，提取出振动信号的有效频带，可以但不限于包括如下步骤a2～f2。
a2.计算所述分段频谱集中的每个分段频谱的峭度值、等效能量以及对应分段频谱中本征模态分量与所述振动信号的皮尔逊系数值。
b2.将每个分段频谱对应的所述峭度值、所述等效能量以及所述皮尔逊系数值进行相乘，得到每个分段频谱对应的故障信息指标值。
c2.利用每个分段频谱对应的故障信息指标值，得到每个分段频谱对应的故障信息判定值。
d2.判断每个分段频谱的故障信息判定值是否大于0。
e2.若是，则将故障信息判定值大于0的分段频谱作为所述振动信号的有效频谱。
f2.从所述振动信号的有效频谱中提取任意一段带宽，得到所述振动信号的有效频带。
在本实施例中，考虑到噪声分量、冲击分量以及虚假分量的不同影响，引入三个故障信息判断指标，即分别为峭度值、等效能量以及对应分段频谱中本征模态分量与振动信号的皮尔逊系数值。
即首先计算各个分段频谱中的峭度值Kv、等效能量Ex以及对应分段频谱中本征模态分量与振动信号的皮尔逊系数值Kpca。
在本实施例中，举例峭度值可由Matlab中的kurtosis函数对本征模态分量序列处理得到；等效能量由其计算公式对提取的有效频谱处理得到；皮尔逊相关系数由皮尔逊相关系数公式对分量与原信号(即振动信号)计算得到。
在本实施例中，引入指数函数来计算等效能量，即Ex＝ex，式中，x为频域响应。
在本实施例中，每个分段频谱中的本征模态分量均为振动信号的本征模态分量。
从步骤b2可知，各个分段频谱中的故障信息指标值EPK则等于Kv*Kv*Kpca。
因此，步骤c2中，利用故障信息指标值计算得到故障信息判定值即可为：计算各个分段频谱中各本征模态分量的故障信息指标值，然后计算其均值，并将均值作为故障信息判定值。
下面用公式表示步骤c2：
式中，es为故障信息判定值，EPKs为对应分段频谱中第s分本征模态分量的故障信息指标值，k为本征模态分量的个数；当然，任一本征模态分量的故障信息指标值也等于其对应的峭度值、等效能量以及皮尔逊系数值相乘。
通过上述阐述，即可得到每个分段频谱的故障信息判定值，若任一分段频谱的故障信息判定值es大于0，则说明该分段频谱为有效频谱，即可从有效频谱中提取任一带宽，作为有效频带。
即经过一次步骤a2～f2，可将分段频谱中故障信息判定值大于0的全部提取出来，而故障信息判定值小于的分段频谱，则可进行步骤C和D。
C.若否，则合并故障信息判定值小于0的分段频谱，得到新分段频谱。
D.以所述新分段频谱为对象，重复执行所述步骤a2～d2，直到所述新分段频谱的故障信息判定值大于0为止。
下面以一个实例来阐述步骤C和D：
假设振动信号进行频谱划分后，具有5个分段频谱，其中，在经过步骤a2～f2后，提取出的有效频谱为2个，那么则剩下3个分段频谱，此时，需要将剩余的3个分段频谱合并为一个分段频谱；然后再对合并得到的分段频谱重新执行步骤a2～d2，得到其对应的故障信息判定值；接着再次判断该故障信息判定值是否大于0，若是，则作为有效频谱，否则，则再次进行合并，以此循环，直到合并得到的分段频谱对应的故障信息判定值大于0为止。
通过前述步骤a2～f2，以及步骤C和步骤D，即可得到振动信号的有效频带，从而即可通过有效频带进行故障的检测，如步骤S105所示。
S105.根据所述振动信号的有效频带以及所述噪声信号的有效频带，得出所述列车轴承箱的故障检测结果。
在本实施例中，举例根据振动信号的有效频带以及噪声信号的有效频带，得出所述列车轴承箱的故障检测结果，可以但不限于包括如下步骤S105a～S105e。
S105a.将所述振动信号的有效频带以及所述噪声信号的有效频带通过滤波器组，分别得到第一时域波形以及第二时域波形，其中，所述第一时域波形为所述振动信号的有效频带的时域波形，所述第二时域波形为所述噪声信号的有效频带的时域波形。
S105b.对所述第一时域波形以及所述第二时域波形进行经验小波变换，分别得到所述第一时域波形的频谱，以及所述第二时域波形的频谱。
S105c.根据所述第一时域波形的频谱，得到所述第一时域波形的频率，以及根据所述第二时域波形的频谱，得到所述第二时域波形的频率。
S105d.判断所述第一时域波形频率以及所述第二时域波形的频率是否均为标准故障频率的倍数。
S105e.若是，则表明所述列车轴承箱出现故障。
在本实施例中，噪声信号的处理与前述振动信号的处理步骤相同，于此不多加赘述。
步骤S105a～S105e的原理则为：将两信号的有效频带通过滤波器组，然后再进行经验小波变换，进而得到各有效频带的频谱，然后即可根据频谱，得到各有效频带的频率；最后，即可将各有效频带的频率与数据库中的标准故障频率进行对比，只要所有的有效频带的频率为标准故障频率的倍数，则可认定轴承箱出现故障。
例如，振动信号的有效频带为3个，噪声信号的有效频带为4个，经过步骤S105a～S105c后，得出的频率分别为10Hz、30Hz、40Hz、60Hz、80Hz、120Hz和100Hz；假设标准故障频率为10Hz，那么上述频率均为标准故障频率的倍数，即表明列车轴承出现故障。
而若标准故障频率为30Hz，那么上述频率并不全是30Hz的倍数，因此可判定轴承箱未出现故障。
由此通过前述步骤S101～S105及其各个子步骤所详细描述的列车轴承箱的故障检测方法，本发明通过对轴承箱的振动信号以及噪声信号进行时频分析、频谱划分以及有效频带的提取，可基于轴承箱的状态数据实现轴承箱的故障检测；且本发明能够去除信号中的噪声，保留信号中的有效信息，可大大提高检测的精度以及可靠性，保证了列车运行的安全性。
如图2所示，本实施例第二方面提供了一种实现实施例第一方面中所述的列车轴承箱的故障检测方法的硬件装置，包括：获取单元、频谱趋势项计算单元、频谱划分单元、有效频带提取单元和故障检测单元。
所述获取单元，用于获取列车轴承箱的振动信号以及噪声信号。
所述频谱趋势项计算单元，用于对所述振动信号以及所述噪声信号进行时频分析，分别得到所述振动信号的频谱趋势项以及所述噪声信号的频谱趋势项。
所述频谱划分单元，用于利用所述振动信号的频谱趋势项，对所述振动信号进行频谱划分，以及利用所述噪声信号的频谱趋势项，对所述噪声信号进行频谱划分，分别得到所述振动信号的分段频谱集以及所述噪声信号的分段频谱集。
所述有效频带提取单元，用于从所述振动信号的分段频谱集中，提取出所述振动信号的有效频带，以及从所述噪声信号的分段频谱集中，提取出所述噪声信号的有效频带。
所述故障检测单元，用于根据所述振动信号的有效频带以及所述噪声信号的有效频带，得出所述列车轴承箱的故障检测结果。
在一个可能的设计中，所述频谱趋势项计算单元包括：傅里叶变换子单元、分解子单元和计算子单元。
所述傅里叶变换子单元，用于对所述振动信号进行傅里叶变换，得到所述振动信号的频域响应。
所述分解子单元，用于利用经验模态分解法分解所述频域响应，得到所述振动信号的余量以及k个本征模态分量，其中，k为正整数。
所述计算子单元，用于利用所述k个本征模态分量以及所述余量，得到所述振动信号的频谱趋势项。
在一个可能的设计中：
所述分解子单元，具体用于获取所述频域响应中所有的极大值点和极小值点。
所述分解子单元，具体用于利用三次样条函数对所有的极大值点以及所有的极小值点进行插值拟合，分别得到所述频域响应的上包络线以及下包络线。
所述分解子单元，具有用于根据所述上包络线以及所述下包络线，得到所述上包络线以及所述下包络线之间的均值。
所述分解子单元，具体用于使用所述频域响应减去所述均值，得到所述频域响应的剩余部分。
所述分解子单元，具体用于判断所述频域响应的剩余部分是否满足预设条件，并在判断为是时，将所述频域响应的剩余部分作为所述振动信号的第一个本征模态分量。
所述分解子单元，具体用于使用所述频域响应减去所述第一个本征模态分量，将得到的结果作为所述振动信号的新频域响应，并重复执行步骤a～f，得到所述振动信号的第二个本征模态分量。
其中，步骤a～f分别为：
a.获取所述频域响应中所有的极大值点和极小值点。
b.利用三次样条函数对所有的极大值点以及所有的极小值点进行插值拟合，分别得到所述频域响应的上包络线以及下包络线。
c.根据所述上包络线以及所述下包络线，得到所述上包络线以及所述下包络线之间的均值。
d.使用所述频域响应减去所述均值，得到所述频域响应的剩余部分。
e.判断所述频域响应的剩余部分是否满足预设条件。
f.若是，则将所述频域响应的剩余部分作为所述振动信号的第一个本征模态分量。
所述分解子单元，具体用于重复k次步骤g，直到第k次得出的本征模态分量以及第k次得出的余量满足终止条件时，得到所述振动信号的余量以及k个本征模态分量，其中所述振动信号的余量为所述第k次得出的余量，且所述第k次得出的余量为第一个本征模态分量到第k个本征模态分量的和与所述频域响应之间的差值。
其中，步骤g为：使用所述频域响应减去所述第一个本征模态分量，将得到的结果作为所述振动信号的新频域响应，并重复执行所述步骤a～f，得到所述振动信号的第二个本征模态分量。
在一个可能的设计中：
所述分解子单元，还具体用于在判断为否时，使用所述频域响应减去所述剩余部分，得到更改后的频域响应。
所述分解子单元，还具体用于使用所述更改后的频域响应替换所述频域响应，并重复所述步骤a～e，直到所述更改后的频域响应的剩余部分满足所述预设条件为止。
在一个可能的设计中：
所述计算子单元，具体用于按照k个本征模态分量中频率从高到低的顺序，对所述k个本征模态分量进行排序。
所述计算子单元，具体用于将排序第i位的本征模态分量与所述余量进行求和，得到求和分量，其中，i为正整数，且i从1开始。
所述计算子单元，具体用于判断所述求和分量是否出现预设振幅变化。
所述计算子单元，具体用于在判断为是时，将将所述求和分量作为所述振动信号的频谱趋势项。
在一个可能的设计中：
所述计算子单元，还用于在判断为否时，则将i调整为i+1，得到新的i值。
所述计算子单元，还用于将所述求和分量与排序第j位的本征模态分量进行求和，得到调整后的求和分量，其中，j为新的i值。
所述计算子单元，还用于使用所述调整后的求和分量替换步骤c1中的所述求和分量，其中，步骤c1为：判断所述求和分量是否出现预设振幅变化。
所述计算子单元，还用于循环执行所述步骤c1，直到所述求和分量满足预设振幅变化为止。
在一个可能的设计中：
所述频谱划分单元，具体用于获取所述振动信号的频谱趋势项中所有的极大值。
所述频谱划分单元，具体用于根据所述振动信号的频谱趋势项中所有的极大值，得到所述振动信号的频谱趋势项中所有的频谱极小值。
所述频谱划分单元，具体用于将所有的频谱极小值作为划分边界，划分所述振动信号，得到多个分段频谱。
所述频谱划分单元，还具体用于利用多个所述分段频谱，组成所述振动信号的分段频谱集。
在一个可能的设计中：
所述有效频带提取单元，具体用于计算所述分段频谱集中的每个分段频谱的峭度值、等效能量以及对应分段频谱中本征模态分量与所述振动信号的皮尔逊系数值。
所述有效频带提取单元，具体用于将每个分段频谱对应的所述峭度值、所述等效能量以及所述皮尔逊系数值进行相乘，得到每个分段频谱对应的故障信息指标值。
所述有效频带提取单元，具体用于利用每个分段频谱对应的故障信息指标值，得到每个分段频谱对应的故障信息判定值。
所述有效频带提取单元，具体用于判断每个分段频谱的故障信息判定值是否大于0。
所述有效频带提取单元，具体用于在判断为是时，将故障信息判定值大于0的分段频谱作为所述振动信号的有效频谱。
所述有效频带提取单元，还具体用于从所述振动信号的有效频谱中提取任意一段带宽，得到所述振动信号的有效频带。
在一个可能的设计中：
所述有效频带提取单元，还在判断为否时，合并故障信息判定值小于0的分段频谱，得到新分段频谱。
所述有效频带提取单元，还具体用于以所述新分段频谱为对象，重复执行步骤a2～d2，直到所述新分段频谱的故障信息判定值大于0为止。
其中，所述步骤a2～d2分别为：
a2.计算所述分段频谱集中的每个分段频谱的峭度值、等效能量以及对应分段频谱中本征模态分量与所述振动信号的皮尔逊系数值。
b2.将每个分段频谱对应的所述峭度值、所述等效能量以及所述皮尔逊系数值进行相乘，得到每个分段频谱对应的故障信息指标值。
c2.利用每个分段频谱对应的故障信息指标值，得到每个分段频谱对应的故障信息判定值。
d2.判断每个分段频谱的故障信息判定值是否大于0。
在一个可能的设计中，所述故障检测单元包括：波形获取子单元、频谱获取子单元、频率获取子单元以及判断子单元。
所述波形获取子单元，用于将所述振动信号的有效频带以及所述噪声信号的有效频带通过滤波器组，分别得到第一时域波形以及第二时域波形，其中，所述第一时域波形为所述振动信号的有效频带的时域波形，所述第二时域波形为所述噪声信号的有效频带的时域波形。
所述频谱获取子单元，用于对所述第一时域波形以及所述第二时域波形进行经验小波变换，分别得到所述第一时域波形的频谱，以及所述第二时域波形的频谱。
所述频率获取子单元，用于根据所述第一时域波形的频谱，得到所述第一时域波形的频率，以及根据所述第二时域波形的频谱，得到所述第二时域波形的频率。
所述判断子单元，用于判断所述第一时域波形频率以及所述第二时域波形的频率是否均为标准故障频率的倍数，并在判断为是时，表明所述列车轴承箱出现故障。
本实施例提供的硬件装置的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
如图3所示，本实施例第三方面提供了第二种实现实施例第一方面中所述的列车轴承箱的故障检测方法的硬件装置，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如实施例第一方面所述的列车轴承箱的故障检测方法。
具体举例的，所述存储器可以但不限于包括随机存取存储器(random accessmemory，RAM)、只读存储器(Read Only Memory image，ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output，FIFO)和/或先进后出存储器(First In Last Out，FILO)等等；所述处理器可以不限于采用型号为STM32F105系列的微处理器、精简指令集计算机(reduced instruction set computer,RSIC)微处理器、X86等架构处理器或集成嵌入式神经网络处理器(neural-network processing units，NPU)的处理器；所述收发器可以但不限于为无线保真(WIFI)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service，GPRS)无线收发器、紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议，ZigBee)无线收发器、3G收发器、4G收发器和/或5G收发器等。此外，所述装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例提供的硬件装置的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
本实施例第四方面提供了一种存储包含有实施例第一方面所述的列车轴承箱的故障检测方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面所述的列车轴承箱的故障检测方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的计算机可读存储介质的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如实施例第一方面所述的列车轴承箱的故障检测方法，其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
以上所描述的多个实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备执行各个实施例或者实施例的某些部分所述的方法。
本发明不局限于上述可选实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是落入本发明权利要求界定范围内的技术方案，均落在本发明的保护范围之内。
Claims (6)
1.一种列车轴承箱的故障检测方法，其特征在于，包括：
获取列车轴承箱的振动信号以及噪声信号；
对所述振动信号以及所述噪声信号进行时频分析，分别得到所述振动信号的频谱趋势项以及所述噪声信号的频谱趋势项；
利用所述振动信号的频谱趋势项，对所述振动信号进行频谱划分，以及利用所述噪声信号的频谱趋势项，对所述噪声信号进行频谱划分，分别得到所述振动信号的分段频谱集以及所述噪声信号的分段频谱集；
从所述振动信号的分段频谱集中，提取出所述振动信号的有效频带，以及从所述噪声信号的分段频谱集中，提取出所述噪声信号的有效频带；
根据所述振动信号的有效频带以及所述噪声信号的有效频带，得出所述列车轴承箱的故障检测结果；
对所述振动信号进行时频分析，得到所述振动信号的频谱趋势项，包括：
对所述振动信号进行傅里叶变换，得到所述振动信号的频域响应；
利用经验模态分解法分解所述频域响应，得到所述振动信号的余量以及k个本征模态分量，其中，k为正整数；
利用所述k个本征模态分量以及所述余量，得到所述振动信号的频谱趋势项；
从所述振动信号的分段频谱集中，提取出所述振动信号的有效频带，包括：
a2.计算所述分段频谱集中的每个分段频谱的峭度值、等效能量以及对应分段频谱中本征模态分量与所述振动信号的皮尔逊系数值；
b2.将每个分段频谱对应的所述峭度值、所述等效能量以及所述皮尔逊系数值进行相乘，得到每个分段频谱对应的故障信息指标值；
c2.利用每个分段频谱对应的故障信息指标值，得到每个分段频谱对应的故障信息判定值；
d2.判断每个分段频谱的故障信息判定值是否大于0；
e2.若是，则将故障信息判定值大于0的分段频谱作为所述振动信号的有效频谱；
f2.从所述振动信号的有效频谱中提取任意一段带宽，得到所述振动信号的有效频带；
所述方法还包括：
若否，则合并故障信息判定值小于0的分段频谱，得到新分段频谱；
以所述新分段频谱为对象，重复执行所述步骤a2～d2，直到所述新分段频谱的故障信息判定值大于0为止；
根据所述振动信号的有效频带以及所述噪声信号的有效频带，得出所述列车轴承箱的故障检测结果，包括：
将所述振动信号的有效频带以及所述噪声信号的有效频带通过滤波器组，分别得到第一时域波形以及第二时域波形，其中，所述第一时域波形为所述振动信号的有效频带的时域波形，所述第二时域波形为所述噪声信号的有效频带的时域波形；
对所述第一时域波形以及所述第二时域波形进行经验小波变换，分别得到所述第一时域波形的频谱，以及所述第二时域波形的频谱；
根据所述第一时域波形的频谱，得到所述第一时域波形的频率，以及根据所述第二时域波形的频谱，得到所述第二时域波形的频率；
判断所述第一时域波形频率以及所述第二时域波形的频率是否均为标准故障频率的倍数；
若是，则表明所述列车轴承箱出现故障。
2.如权利要求1所述的方法，其特征在于，利用经验模态分解法分解所述频域响应，得到所述振动信号的余量以及k个本征模态分量，包括：
a.获取所述频域响应中所有的极大值点和极小值点；
b.利用三次样条函数对所有的极大值点以及所有的极小值点进行插值拟合，分别得到所述频域响应的上包络线以及下包络线；
c.根据所述上包络线以及所述下包络线，得到所述上包络线以及所述下包络线之间的均值；
d.使用所述频域响应减去所述均值，得到所述频域响应的剩余部分；
e.判断所述频域响应的剩余部分是否满足预设条件；
f.若是，则将所述频域响应的剩余部分作为所述振动信号的第一个本征模态分量；
g.使用所述频域响应减去所述第一个本征模态分量，将得到的结果作为所述振动信号的新频域响应，并重复执行所述步骤a～f，得到所述振动信号的第二个本征模态分量；
重复k次所述步骤g，直到第k次得出的本征模态分量以及第k次得出的余量满足终止条件时，得到所述振动信号的余量以及k个本征模态分量，其中，所述振动信号的余量为所述第k次得出的余量，且所述第k次得出的余量为第一个本征模态分量到第k个本征模态分量的和与所述频域响应之间的差值。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
若否，则使用所述频域响应减去所述剩余部分，得到更改后的频域响应；
使用所述更改后的频域响应替换所述频域响应，并重复所述步骤a～e，直到所述更改后的频域响应的剩余部分满足所述预设条件为止。
4.如权利要求1所述的方法，其特征在于，利用所述k个本征模态分量以及所述余量，得到所述振动信号的频谱趋势项，包括：
a1.按照k个本征模态分量中频率从高到低的顺序，对所述k个本征模态分量进行排序；
b1.将排序第i位的本征模态分量与所述余量进行求和，得到求和分量，其中，i为正整数，且i从1开始；
c1.判断所述求和分量是否出现预设振幅变化；
d1.若是，则将所述求和分量作为所述振动信号的频谱趋势项。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
若否，则将i调整为i+1，得到新的i值；
将所述求和分量与排序第j位的本征模态分量进行求和，得到调整后的求和分量，其中，j为新的i值；
使用所述调整后的求和分量替换所述步骤c1中的所述求和分量；
循环执行所述步骤c1，直到所述求和分量满足预设振幅变化为止。
6.如权利要求1所述的方法，其特征在于，利用所述振动信号的频谱趋势项，对所述振动信号进行频谱划分，得到所述振动信号的分段频谱集，包括：
获取所述振动信号的频谱趋势项中所有的极大值；
根据所述振动信号的频谱趋势项中所有的极大值，得到所述振动信号的频谱趋势项中所有的频谱极小值；
将所有的频谱极小值作为划分边界，划分所述振动信号，得到多个分段频谱；
利用多个所述分段频谱，组成所述振动信号的分段频谱集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110322322.8A CN113049252B (zh) | 2021-03-25 | 2021-03-25 | 一种列车轴承箱的故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110322322.8A CN113049252B (zh) | 2021-03-25 | 2021-03-25 | 一种列车轴承箱的故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113049252A CN113049252A (zh) | 2021-06-29 |
| CN113049252B true CN113049252B (zh) | 2023-04-14 |
Family
ID=76515713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110322322.8A Active CN113049252B (zh) | 2021-03-25 | 2021-03-25 | 一种列车轴承箱的故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113049252B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023279382A1 (zh) * | 2021-07-09 | 2023-01-12 | 徐萌萌 | 一种电机轴承运行状态故障检测方法及系统 |
| CN113734235A (zh) * | 2021-08-16 | 2021-12-03 | 中国科学院海洋研究所 | 一种地铁列车烟雾报警与轴承故障诊断组合装置 |
| CN117672255B (zh) * | 2023-12-21 | 2024-05-14 | 北京谛声科技有限责任公司 | 基于人工智能和设备运行声音的异常设备识别方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909827A (zh) * | 2019-12-17 | 2020-03-24 | 天津市津能风电有限责任公司 | 一种适用于风机叶片声音信号的降噪方法 |
| CN111738155A (zh) * | 2020-06-23 | 2020-10-02 | 东北石油大学 | 往复压缩机轴承间隙故障诊断方法 |
Family Cites Families (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4193100B2 (ja) * | 2002-08-30 | 2008-12-10 | ソニー株式会社 | 情報処理方法および情報処理装置、記録媒体、並びにプログラム |
| JP2005247468A (ja) * | 2004-03-02 | 2005-09-15 | Mitsubishi Electric Corp | エレベータ装置 |
| CN105019455B (zh) * | 2015-08-17 | 2016-08-17 | 中机锻压江苏股份有限公司 | 内击式沉管桩锤 |
| CN205175686U (zh) * | 2015-12-01 | 2016-04-20 | 贵州大学 | 一种测量四驱分动器马达总成噪声的装置 |
| CN106124193A (zh) * | 2016-05-30 | 2016-11-16 | 宁波诺丁汉大学 | 结合震动与声波监测的齿轮箱故障检测方法 |
| CN107992802B (zh) * | 2017-11-10 | 2021-12-21 | 桂林电子科技大学 | 一种基于nmf的微震弱信号识别方法 |
| CN108458871B (zh) * | 2017-12-22 | 2020-12-01 | 浙江工业大学 | 一种基于改进经验小波变换的齿轮箱故障识别方法 |
| CN107944199B (zh) * | 2017-12-22 | 2020-12-01 | 浙江工业大学 | 一种基于频谱趋势和变分模态分解的齿轮箱故障识别方法 |
| CN108375472A (zh) * | 2018-02-12 | 2018-08-07 | 武汉科技大学 | 基于改进经验小波变换的轴承故障诊断方法及系统装置 |
| CN109253244B (zh) * | 2018-11-22 | 2021-03-23 | 常州信息职业技术学院 | 一种多齿轮系统大型机械齿轮箱故障检测方法 |
| JP7146683B2 (ja) * | 2019-03-27 | 2022-10-04 | オークマ株式会社 | 転がり軸受の異常診断方法及び異常診断装置、異常診断プログラム |
| CN210221512U (zh) * | 2019-09-03 | 2020-03-31 | 常州路航轨道交通科技有限公司 | 一种转向架失稳监控系统 |
| CN210802895U (zh) * | 2019-11-01 | 2020-06-19 | 大连宝信起重技术有限公司 | 起重机减速机异常侦测设备 |
| CN111652031A (zh) * | 2019-12-02 | 2020-09-11 | 昆明理工大学 | 一种基于改进经验小波变换的滚动轴承故障诊断方法 |
| CN111060317A (zh) * | 2020-01-03 | 2020-04-24 | 上海电器科学研究所（集团）有限公司 | 一种矿用扇风电动机滚动轴承故障信号的判断方法 |
| CN111679654B (zh) * | 2020-06-17 | 2021-10-08 | 衢州职业技术学院 | 基于神经网络的电力驱动系统振动信号诊断方法及装置 |
| CN112465068A (zh) * | 2020-12-15 | 2021-03-09 | 重庆忽米网络科技有限公司 | 一种基于多传感器数据融合的旋转设备故障特征提取方法 |
-
2021
- 2021-03-25 CN CN202110322322.8A patent/CN113049252B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909827A (zh) * | 2019-12-17 | 2020-03-24 | 天津市津能风电有限责任公司 | 一种适用于风机叶片声音信号的降噪方法 |
| CN111738155A (zh) * | 2020-06-23 | 2020-10-02 | 东北石油大学 | 往复压缩机轴承间隙故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113049252A (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113049252B (zh) | 一种列车轴承箱的故障检测方法 | |
| Chen et al. | Detecting of transient vibration signatures using an improved fast spatial–spectral ensemble kurtosis kurtogram and its applications to mechanical signature analysis of short duration data from rotating machinery | |
| CN105115594B (zh) | 基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法 | |
| Gao et al. | Wavelets: Theory and applications for manufacturing | |
| Li et al. | Enhanced generative adversarial networks for fault diagnosis of rotating machinery with imbalanced data | |
| Zhang et al. | Rolling bearing fault diagnosis utilizing variational mode decomposition based fractal dimension estimation method | |
| CN112101245B (zh) | 基于频域窗函数的短时傅里叶变换机械冲击特征提取方法 | |
| Xin et al. | Fault diagnosis of wheelset bearings in high-speed trains using logarithmic short-time Fourier transform and modified self-calibrated residual network | |
| CN110617960A (zh) | 一种风电机组齿轮箱故障诊断方法及系统 | |
| CN111679654B (zh) | 基于神经网络的电力驱动系统振动信号诊断方法及装置 | |
| CN102879195B (zh) | 齿轮箱损伤的多小波自适应分块阈值降噪时域诊断方法 | |
| Li et al. | Joint attention feature transfer network for gearbox fault diagnosis with imbalanced data | |
| CN103344249A (zh) | 一种基于惯性传感器短时频谱分析的计步方法 | |
| CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
| Jiang et al. | A novel method for self-adaptive feature extraction using scaling crossover characteristics of signals and combining with LS-SVM for multi-fault diagnosis of gearbox | |
| CN113702043A (zh) | 一种基于povmd和fdtw的时变转速下行星齿轮箱故障诊断方法 | |
| Alsalaet et al. | Bearing fault diagnosis using normalized diagnostic feature-gram and convolutional neural network | |
| CN110222610A (zh) | 一种信号分类的方法及装置 | |
| Su et al. | Fault severity assessment for rotating machinery via improved Lempel–Ziv complexity based on variable-step multiscale analysis and equiprobable space partitioning | |
| CN103603794A (zh) | 一种储气库注采压缩机组自适应故障诊断方法及设备 | |
| Liu et al. | An improved empirical mode decomposition method for vibration signal | |
| Wang et al. | Application of Improved Particle Swarm Optimization in Gear Fault Diagnosis of Automobile Transmission. | |
| Rui et al. | Signal processing collaborated with deep learning: An interpretable FIRNet for industrial intelligent diagnosis | |
| CN116150585A (zh) | 基于乘积包络谱的旋转机械故障诊断方法 | |
| CN103106326B (zh) | 一种用于核电设备可靠性Gamma-Poisson模型分布参数的估算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |